ACCURATE PH DETERMINATION BY IMAGE PROCESSING USING CONVENTIONAL PH- TEST STRIP
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Kimya-Metalurji Fakültesi, Kimya Müh.Bölümü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: FARAH EID
Danışman: Hasan Sadıkoğlu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:PH'ın belirlenmesi, çeşitli uygulamalarda kullanılan kritik bir ölçüm olarak kabul edilir. Esas olarak sulu çözeltilerin asitliğini değerlendirmek ve bunları asidik veya alkali olarak sınıflandırmak için kullanılır. PH ölçümü için çeşitli yöntemler vardır. En geleneksel ve yaygın olarak kullanılan yöntem pH şeritlerinin kullanılmasıdır. Doğruluğu pH metrelere göre daha az olsa da, uzman olmayanların da kullanabileceği ve uygun fiyatlı bir ölçüm yöntemi olarak biliniyorlar. pH şeritleri kullanmanın ana dezavantajı, şerit değerini okurken sınırlı hassasiyet ve insan yargısının öznelliği nedeniyle bilimsel hata olasılığının yüksek olmasıdır. Ancak günümüzde ileri teknolojinin ve cep telefonlarının varlığı bu zorluğun üstesinden gelmek için büyük bir avantaj sunmaktadır. Birçok araştırmacı, GRB değeri veya CIE renk uzayı gibi çeşitli yöntemler kullanılarak pH şeridinin renginin görüntü işlenmesiyle pH değerinin belirlenmesinin mümkün olduğunu bulmuşlardır. Bu çalışmada, pH şeritlerinin piksel rengini MATLAB yazılımı kullanarak analiz ederek pH değerini belirlemek için bir regresyon modeli oluşturulmuştur. Verilerimiz için en uygun modeli bulmak için çeşitli makine öğrenme algoritmaları (liner regresyon, Gaussian process regression, Nurel network, Ensemble, Support vector machine and decision tree gibi) kullanıldı. Bu bağlamda, seyreltme yöntemi ile 29 farklı pH çözeltisi hazırlanmış, pH şeritlerinin fotoğraflarını çekmek için farklı ışık koşulları altında 2 deney seti kullanılmış, MATLAB yazılımı regresyon verilerini RGB değerleri olarak kullanmış ve regresyon da MATLAB kullanılarak yapılmıştır. En uygun modeli bulmak için RMSE, MAE, MSE ve R2 gibi bazı değerlendirme metrikleri hesaplanmıştır. En iyi tahmini, R2'si 0,9754392'ye eşit olan GPR modeli vermiştir. Önerilen model, 10 katlı çapraz regresyon doğrulama yöntemini ve Bayes optimizasyonunu kullanmaktadır. Elde edilen model yeni bir veri seti ile incelenmiş ve etkinliği kanıtlanmıştır. Sonuçlar, görüntü işleme ve makine öğrenmesi algoritmalarının tahmin alanında oldukça etkili olduğunu göstermektedir.